数字化之后

高级编程语言让人不必逐条书写底层机器指令，编译器承担翻译；操作系统、数据库、图形界面、互联网和云计算，又不断把复杂细节组织成更高层能力。

从这个角度看，AI 延续了抽象层的历史。新的地方在于，人可以用自然语言描述目标，系统再结合上下文和工具选择部分路径。

“规定边界”（Specification Frontier）是这场演讲提出的框架：一侧是组织在执行前已经决定的事项，另一侧是有意留给系统在运行时决定的事项。人可以规定目标、政策与预算，让系统选择顺序、工具和步骤；也可以只允许系统提出方案，把最终批准留给人。

这条边界并不固定。系统能力、错误后果、结果可验证性、当前风险与恢复条件都会推动它移动。成熟不是部署更多智能体，而是知道何时移动边界，以及何时把真正的判断权交还给人。

生产体系中的 jidoka 提醒我们：成熟自动化并非无论发生什么都持续运转。系统发现异常后停下或召唤人，让问题不至于扩散成一串缺陷。

这一思想很适合智能体时代。先进组织不以“流程里没有人”为目标，而是设计清楚哪些环节让软件独立完成，哪些需要确认，哪些例外必须回到能够理解其意义的人手中。

当流程可被观察，组织就能看见决定在哪里等待、错误在哪里重复、哪些步骤不再创造价值，以及员工何时缺少必要信息。AI 由此进入更大的学习循环：测量结果、重看流程、调整分工。

转型的成绩不由智能体数量决定，而体现在服务质量、正确结果所需时间、异常恢复能力，以及人获得了多少时间去处理真正复杂的问题。

一个智能体可以顺利走完所有步骤，却没有解决用户的问题；也可能缩短处理时间，却把复核成本转移给下一位员工。流程完成率只能说明系统到达终点，不能说明终点值得到达。

因此，组织要同时检查结果是否正确、用户是否真正得到服务、异常能否恢复，以及人在何处仍承担不可见的补救劳动。只有这些证据回到设计环节，规定边界才会随着经验变得更准确。